yolos_tiny_test

Para utilizar este modelo, puedes seguir las siguientes configuraciones y pasos en tu código:

dataset: NIH
original model: hustvl/yolos-tiny
lr: 0.0001
dropout_rate: 0.1
weight_decay: 0.001
max_epochs: 1
train samples: 885

Aquí tienes un ejemplo de los registros del proceso de entrenamiento:

{'validation_loss': tensor(7.2682, device='cuda:0'), 'validation_loss_ce': tensor(2.4654, device='cuda:0'), 'validation_loss_bbox': tensor(0.5599, device='cuda:0'), 'validation_loss_giou': tensor(1.0016, device='cuda:0'), 'validation_cardinality_error': tensor(99., device='cuda:0')}
{'training_loss': tensor(3.1491, device='cuda:0'), 'train_loss_ce': tensor(0.3927, device='cuda:0'), 'train_loss_bbox': tensor(0.2719, device='cuda:0'), 'train_loss_giou': tensor(0.6985, device='cuda:0'), 'train_cardinality_error': tensor(1., device='cuda:0'), 'validation_loss': tensor(2.2454, device='cuda:0'), 'validation_loss_ce': tensor(0.4346, device='cuda:0'), 'validation_loss_bbox': tensor(0.1519, device='cuda:0'), 'validation_loss_giou': tensor(0.5256, device='cuda:0'), 'validation_cardinality_error': tensor(1., device='cuda:0')}

Y un ejemplo de uso del modelo:

{'size': tensor([512, 512]), 'image_id': tensor([1]), 'class_labels': tensor([4]), 'boxes': tensor([[0.2622, 0.5729, 0.0847, 0.0773]]), 'area': tensor([1717.9431]), 'iscrowd': tensor([0]), 'orig_size': tensor([1024, 1024])}